Robotique et IA physique
Le Alpamayo 2 Super de NVIDIA ouvre le développement de Robotaxi à l’utilisation commerciale
Ajouter Unite.AI à vos sources préférées sur Google
NVIDIA (NVDA ) a publié Alpamayo 2 Super, un modèle de raisonnement de 34 milliards de paramètres pour la conduite autonome, pour une utilisation commerciale, la société a annoncé le 4 août 2026. Les poids du modèle sont publiés sur Hugging Face sous OpenMDW-1.1, la licence permissive de la Linux Foundation pour la distribution de modèles d’IA, qui couvre le fine-tuning, les modèles dérivés et la redistribution commerciale.
La publication supprime une barrière de licence qui avait limité la famille Alpamayo à la recherche. Les versions précédentes avaient été introduites pour une utilisation en R&D ; NVIDIA déclare que la licence OpenMDW s’applique désormais à l’ensemble de la gamme Alpamayo, de sorte que les développeurs, les constructeurs automobiles, les fabricants de camions et les fournisseurs peuvent déployer l’un des modèles à des fins commerciales sans demander de permission supplémentaire. La société décrit Alpamayo comme la famille de modèles de raisonnement ouverts les plus adoptés pour la conduite autonome sur Hugging Face, avec des téléchargements dépassant les 500 000.
Alpamayo 2 Super est construit sur le Cosmos 3 Super Reasoner de NVIDIA et post-formé avec un apprentissage par renforcement. Il est conçu pour ce que l’industrie appelle les événements à longue queue : les situations de trafic rares et multi-agents qui sont difficiles à anticiper et à former, où les systèmes conventionnels basés sur la détection d’objets et la prédiction de mouvement ont tendance à avoir du mal.
Un modèle enseignant, pas la pile dans la voiture
L’architecture, détaillée dans la carte du modèle, associe une colonne vertébrale de vision-langage de 32 milliards de paramètres à un décodeur d’action basé sur la diffusion de 2,3 milliards de paramètres. Le modèle ingère des vidéos multi-caméras, du texte et l’historique de mouvement du véhicule, et produit cinq sorties couplées pour chaque situation de conduite : une trajectoire planifiée, une trace de chaîne de causalité expliquant la raison derrière la décision, une action métalevel telle que céder ou changer de voie, des étiquettes de raisonnement auto-générées pour les données de formation, et des réponses à des questions visuelles ancrées à des régions spécifiques dans les images de la caméra.
Ceci est un outil de développement plutôt que le logiciel qui dirigerait un robotaxi de production. NVIDIA positionne Alpamayo 2 Super comme un modèle enseignant pour les flux de travail basés sur le cloud : il génère des traces de raisonnement, des données de formation synthétiques et des sorties d’enseignant qui sont distillées dans des modèles plus petits, qui sont ensuite optimisés pour une inférence en temps réel dans les véhicules. Le profil matériel de la carte du modèle reflète cette division. NVIDIA a validé le modèle sur un seul GPU de centre de données H100 avec 80 gigaoctets de mémoire, où une configuration à sept caméras a atteint environ 72 gigaoctets de mémoire de périphérique, et déclare que d’autres architectures de GPU n’ont pas encore été validées. Dans la gamme de la famille, les modèles Alpamayo 1,5 et Alpamayo 1 de 10 milliards de paramètres restent les options les moins coûteuses pour le développement et la distillation dans le cloud.
Les sorties d’explicabilité supportent le poids de l’ingénierie de la sécurité. NVIDIA déclare que les traces de chaîne de causalité s’intègrent à ses flux de travail de validation de la sécurité Halos et soutiennent l’alignement sur la norme de sécurité publiée ISO/PAS 8800 pour l’IA dans les véhicules routiers, donnant aux développeurs un enregistrement qui relie ce que le modèle a observé à l’action qu’il a sélectionnée. En tant qu’auto-étiqueteur sur les données de flotte propriétaires, la société déclare que le modèle peut compresser les cycles d’annotation de mois à jours.
Benchmarks et données de formation
Dans les tests de NVIDIA, Alpamayo 2 Super a obtenu un score de 79,2 sur la métrique Lingo-Judge de LingoQA, un benchmark de questions visuelles pour la conduite autonome à l’origine développé par Wayve. La société déclare que ce résultat se classe en premier parmi près de 40 modèles qu’elle a évalués, et a surpassé Qwen2,5-VL 72B de 17,0 points, Gemini 2,5 Pro de 15,1 points et GPT-4o de 23,2 points. Ce sont les chiffres propres de NVIDIA pour son propre modèle, rapportés dans ses documents.
La carte du modèle rapporte également une évaluation en boucle fermée dans le simulateur AlpaSim de NVIDIA sur 910 scénarios à partir de son ensemble de données PhysicalAI-AV-NuRec, et une erreur de trajectoire en boucle ouverte de 0,911 mètre à un horizon de 6,4 secondes sur 937 échantillons difficiles. Les données de formation derrière le modèle comprennent environ 115 000 heures de vidéo de conduite multi-caméras avec des annotations de mouvement et de trajectoire égo, ainsi que environ 3,7 millions de traces de raisonnement de chaîne de causalité, collectées à partir de caméras, de capteurs inertiels et de GPS avec un mélange d’étiquetage automatisé et manuel.
De la présentation au CES à la licence commerciale
La famille a évolué rapidement en termes de licences. NVIDIA a présenté Alpamayo 1 au CES en tant que ce qu’elle appelait le premier modèle de raisonnement de vision-langage-action à chaîne de pensée pour la recherche sur les véhicules autonomes, une version de 10 milliards de paramètres destinée à la communauté de recherche. La société a ensuite présenté Alpamayo 2 Super à GTC Taipei le 31 mai 2026, avec une disponibilité commerciale promise pour l’été ; la famille avait été téléchargée près de 400 000 fois à ce stade, un chiffre qui a depuis dépassé les 500 000. Unite.AI a examiné l’approche de modèle de raisonnement pour le problème de cas de bordure lors de la première apparition de la famille sur.
La licence qui permet cette publication est elle-même vieille de quelques semaines. La Linux Foundation a publié OpenMDW-1.1 le 28 mai 2026, avec NVIDIA qui l’a adopté pour ses familles de modèles Cosmos, Isaac GR00T, Ising et Nemotron ; Alpamayo rejoint maintenant cette liste. Autour des modèles, NVIDIA a assemblé un écosystème ouvert pour le développement de véhicules autonomes : AlpaSim pour la simulation en boucle fermée, AlpaGym pour l’apprentissage par renforcement, les ensembles de données ouverts Physical AI et un pipeline d’étiquetage automatique open source.
Pour les programmes de robotaxi et de véhicules autonomes, le changement pratique est un chemin direct de l’adaptation au déploiement sur des poids ouverts : une équipe de développement peut affiner Alpamayo sur ses propres données de flotte, conserver ces données et les modèles résultants en interne, distiller le résultat en quelque chose qui convient à la calcul dans les véhicules, et le commercialiser, le tout sous une seule licence, sans reconstruire les capacités de base à partir de zéro.
